CN102707708A - 多模型飞行控制系统故障诊断方法及装置 - Google Patents
多模型飞行控制系统故障诊断方法及装置 Download PDFInfo
- Publication number
- CN102707708A CN102707708A CN2012101680978A CN201210168097A CN102707708A CN 102707708 A CN102707708 A CN 102707708A CN 2012101680978 A CN2012101680978 A CN 2012101680978A CN 201210168097 A CN201210168097 A CN 201210168097A CN 102707708 A CN102707708 A CN 102707708A
- Authority
- CN
- China
- Prior art keywords
- model
- fault
- probability
- current time
- collection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000001914 filtration Methods 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims description 51
- 238000012546 transfer Methods 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 21
- 238000003745 diagnosis Methods 0.000 claims description 17
- 230000007704 transition Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 239000012141 concentrate Substances 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 6
- 230000008676 import Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提出一种基于期望模式扩展的多模型飞行控制系统故障诊断方法,包括:统计飞行控制系统的各种故障并建立基本模型集;预测当前时刻的多个故障模型的概率并建立期望模型集;将基本模型集和期望模型集进行组合以建立当前时刻故障模型集;对当前时刻模型集中的每个故障模型进行滤波和概率更新;如果当前时刻模型集中的某个故障模型的概率大于或等于预设的概率阈值,则判断飞行控制系统发生故障模型对应的故障。本发明还提出了一种基于期望模式扩展的多模型飞行控制系统故障诊断装置,包括:基本模型集建立模块、期望模型集建立模块、当前时刻模型集建立模块、滤波和概率更新模块、故障判断模块。本发明还提出了一种飞行控制系统。
Description
技术领域
本发明涉及飞行控制技术领域,特别涉及一种基于期望模式扩展的多模型飞行控制系统故障诊断方法、故障诊断装置及飞行控制系统。
背景技术
从八十年代初开始,自修复飞行控制作为一项新的故障处理方法引起越来越广泛的重视,而其中一个重要方面就是故障检测和诊断系统。自主式故障诊断系统的发展,不仅能为自修复控制提供保障,实现在线重构控制,而且能给地面维护人员提供飞机状况的各种信息,对地勤的工作提供有效的帮助。因此,在现代飞机飞行中,快速准确的自主式故障诊断方法能大大提高飞机飞控系统的可靠性、可维护性、生存性并降低全寿命费用。
当前常用的故障检测和诊断方法主要包括滤波器方法、状态观测器方法、多模型方法、故障树分析、专家系统、神经网络等,其中前三者都需要建立系统模型,后三者不需要具体模型。在飞行控制系统中,可以建立飞机动力学和运动学模型,而且为了实现重构控制,需要明确故障类型、故障位置和故障大小,而故障树分析、专家系统、神经网络等方法无法完全达到这些要求。因此在飞行控制系统中,常用的诊断方法为滤波器方法、状态观测器方法、多模型方法。
滤波器和观测器方法都是需要构造被控对象的过程模型,通过比较构造的过程模型输出值与实际系统测量值来产生残差,从中提取故障特征,然后根据检验规则判断是否发生故障。其中滤波器方法主要包括卡尔曼滤波器(KF)和扩展卡尔曼滤波器(EKF),卡尔曼滤波器是是一种递推的状态估计算法,它采用的是状态空间模型,在白噪声情况下能很好地跟踪系统的状态。对于非线性系统,可引入扩展卡尔曼滤波(Extended Kalman Filter,EKF)方法。而基于观测器的方法不需要状态估计理论,只需对输出进行估计,然后与实际系统输出比较得到残差。这两种方法都可用于检测飞控系统故障,但是对于残差的故障特征提取、检验规则选取以及故障大小的计算都是较难解决的问题,而且可能存在误差,尤其是当系统存在多种类型或者多个故障同时发生时,这两种方法不能很好地解决问题。
多模型方法的引入可以较好地解决故障类型多样的问题,它将各种故障分别建立模型,对这些故障模型建立一系列的卡尔曼滤波器,然后根据贝叶斯(Bayes)后验概率得到各个模型的概率,根据此概率的大小来判断系统是否工作于正常状态或者确定出发生了哪种故障。这种方法操作起来非常简单,而且能很好地解释故障的物理意义。但传统的多模型方法存在一个问题,当系统的故障种类很多或者组合故障很多时,故障模型集会非常大,给计算带来困难而且影响诊断结果。如何减少模型个数是多模型方法面临的一个主要问题,本发明正是基于这个需要,提出了一种能实现模型集在线自适应更新的变结构多模型方法。
发明内容
本发明的目的旨在至少解决上述技术缺陷之一。
为此,本发明实施例的第一个目的在于提出一种基于期望模式扩展的多模型飞行控制系统故障诊断方法,通过采用期望模式扩展,实现了模型集的在线自适应更新,用期望模型来描述系统未来可能的故障模式,解决了模型集巨大的问题,可获得一种快速准确的故障诊断方法,能在线实时检测单个或者多个故障,为自修复控制和维护决策提供了基础和保障。本发明实施例的第二个目的在于提供一种基于期望模式扩展的多模型飞行控制系统故障诊断装置。本发明实施例的第三个目的在于提供一种飞行控制系统。
为达到上述目的,本发明第一方面的实施例公开了一种基于期望模式扩展的多模型飞行控制系统故障诊断方法,采用期望模型来描述系统未来的可能故障模式,包括以下步骤:统计飞行控制系统的多个故障并建立对应的多个故障模型,根据所述多种故障模型建立基本模型集;预测当前时刻的所述多个故障模型的概率,根据所述基本模型集以及所述当前时刻预测概率最大的前多个故障模型得到所述预设数目个期望模型集,将所述预设数目个期望模型集组合,建立期望模型集;组合所述基本模型集和所述期望模型集得到当前时刻模型集,并根据当前时刻模型集更新概率转移矩阵;对当前时刻模型集中的每个故障模型进行滤波和概率更新;对每个所述故障模型的概率设置概率阈值,并将所述当前时刻故障模型集中的每个所述故障模型的概率与概率阈值进行比较,如果所述故障模型的概率大于或等于所述概率阈值,则判断所述飞行控制系统发生所述故障模型对应的故障。
根据本发明实施例的基于期望模式扩展的多模型飞行控制系统故障诊断方法,通过采用期望模式扩展,实现了变结构的多模型方法,即实现了模型集的在线自适应更新,通过期望模型来描述系统未来可能的故障模式,解决了模型集巨大的问题,可获得一种快速准确的故障诊断方法,能在线实时检测单个或者多个故障,为自修复控制和维护决策提供了基础和保障。
在本发明的一个实施例中,所述基本模型集由飞行控制系统的各种单故障模型组成,包括操作舵面故障模型、作动器故障模型和传感器故障模型。
在本发明的一个实施例中,所述预测当前时刻的所述多个故障模型的概率进一步包括:根据上一时刻模型的概率以及所述基本模型集的概率转移矩阵预测当前时刻的所述多个故障模型的概率。
在本发明的一个实施例中,所述根据当前时刻模型集更新概率转移矩阵进一步包括:根据实际系统故障模式间的关系,绘制所述基本模型集的状态转换图,得到所述基本模型集的状态转换关系,设定所述基本模型集的概率转移矩阵的预设值;绘制当前时刻模型集的状态转换关系,并在基本模型集的概率转移矩阵基础上计算得到当前时刻模型集的概率转移矩阵。
在本发明的一个实施例中,所述根据所述基本模型集以及所述当前时刻预测概率最大的前多个故障模型得到所述预设数目个期望模型,将所述预设数目个期望模型组合,建立期望模型集进一步包括:根据所需所述期望模型集的个数确定所述基本模型集的子模型集个数;在所述基本模型集中选取所述当前时刻模型的概率最大的前多个模型,组合所述模型得到预设数目的子模型集序列;将所述子模型集序列中每一个子模型集的模型组合得到一个期望模型,由所述期望模型得到所述期望模型集。
在本发明的一个实施例中,所述对当前时刻模型集中的每个故障模型进行滤波和概率更新进一步包括:在每个时刻由所述基本模型集和所述期望模型组合得到所述当前时刻模型集后,对所述当前时刻故障模型集中的每个故障模型分别进行滤波得到状态估计和残差,并对所述故障模型的概率进行更新。
在本发明的一个实施例中,对所述当前时刻故障模型集中的每个故障模型分别进行滤波得到状态估计和残差,并对所述故障模型的概率进行更新,进一步包括:
根据上一时刻模型的滤波器的所述状态估计和协方差输出值,初始化所述当前时刻模型对应的滤波器的所述状态估计和所述协方差,并预测所述当前时刻模型的概率;根据卡尔曼滤波过程,分别对所述当前时刻模型更新所述状态估计和所述协方差,并计算所述残差和残差协方差;根据贝叶斯后验概率准则计算所述当前时刻模型的概率。
本发明第二方面的实施例还提出了一种基于期望模式扩展的多模型飞行控制系统故障诊断装置,包括:基本模型集建立模块,所述基本模型集建立模块用于统计飞行控制系统的多种故障并建立对应的多个单故障模型,并根据所述多个单故障模型建立基本模型集;期望模型集建立模块,所述期望模型集建立模块用于预测当前时刻的所述多个故障模型的概率,根据所述基本模型集以及所述当前时刻预测概率最大的前多个故障模型得到所述预设数目个期望模型,将所述多个期望模型组合,建立期望模型集;当前时刻模型集建立模块,所述当前时刻模型集建立模块用于组合所述基本模型集和所述期望模型集得到当前时刻模型集,并根据当前时刻模型集更新概率转移矩阵;滤波和概率更新模块,所述滤波和概率更新模块对所述当前时刻模型分别进行滤波得到状态估计和残差,并对所述当前时刻模型的概率进行更新;故障判断模块,所述故障判断模块对所述故障模型的概率设置概率阈值,并将所述当前时刻模型集中的每个所述故障模型的概率与概率阈值进行比较,如果所述故障模型的概率大于或等于所述概率阈值,则所述故障判断模块判断所述飞行控制系统发生所述故障模型对应的故障。
根据本发明实施例的基于期望模式扩展的多模型飞行控制系统故障诊断装置,通过采用期望模式扩展,实现了变结构的多模型方法,即实现了模型集的在线自适应更新,通过期望模型来描述系统未来可能的故障模式,解决了模型集巨大的问题,可获得一种快速准确的故障诊断方法,能在线实时检测单个或者多个故障,为自修复控制和维护决策提供了基础和保障。
在本发明的一个实施例中,所述基本模型集由飞行控制系统的各种单故障模型组成,包括操作舵面故障模型、作动器故障模型和传感器故障模型。
在本发明的一个实施例中,所述预测当前时刻的所述多个故障模型的概率进一步包括:根据上一时刻模型的概率以及所述上一时刻模型集的概率转移矩阵预测当前时刻的所述多个故障模型的概率。
在本发明的一个实施例中,所述基本模型集的概率转移矩阵的预设值设定进一步包括:根据实际系统故障模式间的关系,绘制所述基本模型集的状态转换图,得到所述基本模型集的状态转换关系,设定所述基本模型集的概率转移矩阵的预设值。
在本发明的一个实施例中,所述根据所述基本模型集以及所述当前时刻预测概率最大的预设数目个故障模型得到所述多个期望模型,将所述多个期望模型组合,建立期望模型集,还进一步包括:所述期望模型建立模块根据所需所述期望模型的个数确定所述基本模型集的子模型集个数;所述期望模型建立模块在所述基本模型集中选取所述当前时刻模型的概率最大的前多个模型,组合所述模型得到预设数目的子模型集序列;所述期望模型建立模块将所述子模型集序列中每一个子模型集的模型组合得到一个期望模型,由所述期望模型得到所述期望模型集。
在本发明的一个实施例中,所述当前时刻模型集建立模块将所述基本模型集和所述期望模型集组合得到当前时刻模型集,并根据当前时刻模型集更新概率转移矩阵进一步包括:绘制当前时刻模型集的状态转换关系,并在基本模型集的概率转移矩阵基础上计算得到当前时刻模型集的概率转移矩阵。
在本发明的一个实施例中,所述滤波和概率更新模块对所述当前时刻模型分别进行滤波得到状态估计和残差,并对所述当前时刻模型的概率进行更新。
在本发明的一个实施例中,所述滤波和概率更新模块对所述当前时刻模型的概率进行更新进一步包括:根据上一时刻模型的滤波器的所述状态估计和协方差输出值,初始化所述当前时刻模型对应的滤波器的所述状态估计和所述协方差,并预测所述当前时刻模型的概率;根据卡尔曼滤波过程,分别对所述当前时刻模型更新所述状态估计和所述协方差,并计算所述残差和残差协方差;所述概率更新模块根据贝叶斯后验概率准则计算所述当前时刻各个所述故障模型的概率。
本发明第三方面的实施例还提出了一种飞行控制系统,包括:自动驾驶仪模块,所述自动驾驶仪模块用于根据飞机的飞行导引指令,输出自动驾驶指令,控制飞机进行自动飞行;基本飞行控制模块,所述基本飞行控制模块用于根据所述自动驾驶指令,通过基本的PID控制器对飞机进行控制分别按照各个指令对飞机进行控制;如本发明第二方面实施例所述的故障检测与诊断模块,所述故障检测与诊断模块用于检测和诊断飞行控制系统的故障,输出故障信息;重构控制模块,所述重构控制模块用于根据所述故障信息重构飞行控制律;以及座舱,所述座舱用于为半实物装置,用于输入驾驶杆信息,手动控制飞机飞行。
根据本发明实施例的飞行控制系统,能够对飞机所发生的故障做出快速、有效、准确的故障诊断,能在线实时检测单个或者多个故障,为飞机发生故障时的自修复控制和维护决策提供了基础和保障,有效地提高了排除故障效率、缩短维修时间、减少维修成本、提高飞机的安全性。
在本发明的一个实施例中,所述飞行控制系统,还进一步包括视景模块,所述视景模块用于显示飞机飞行状态以及所述故障信息。
在本发明的一个实施例中,所述飞行控制系统,还进一步包括接口模块,所述接口模块用于与外部进行通讯。
在本发明的一个实施例中,所述与外部进行通讯包括:与综合导航系统、驾驶舱和视景系统进行数据通讯。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的基于期望模式扩展的多模型飞行控制系统故障诊断方法的流程图;
图2为根据本发明实施例的由基本模型扩展得到的故障空间;
图3为根据本发明实施例的基于期望模型扩展的故障状态转换图;
图4为根据本发明的另一个实施例的基于期望模式扩展的多模型飞行控制系统故障诊断方法的流程图;
图5为根据本发明实施例的基于期望模式扩展的多模型飞行控制系统故障诊断装置的示意图;
图6为根据本发明实施例的飞行控制系统的结构框图;
图7为根据本发明实施例的飞行控制系统的示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
下面参照附图详细描述根据本发明实施例的基于期望模式扩展的多模型飞行控制系统故障诊断方法。
如图1所示,本发明第一方面实施例的基于期望模式扩展的多模型飞行控制系统故障诊断方法,包括如下步骤:
S1:统计飞行控制系统的各种故障并建立对应的多个单故障模型,根据多个单故障模型建立基本模型集。
在本发明的一个实施例中,步骤S1中所述的基本模型集是由飞行控制系统的各种单故障模型组成,以操作舵面故障模型、作动器故障模型和传感器故障模型为例,需要理解的是本发明所可以采用的故障模型并不仅限于上述故障模型。
飞行控制系统的故障主要包括作动器故障、结构故障和传感器故障,其中结构故障是指飞机本体的故障,在本实施例中主要考虑为操纵舵面的故障。对这些单故障分别建立模型,形成一系列的故障模型。假设飞机无故障时的线性化模型为:
x(k+1)=F(k)x(k)+G(k)u(k)+w(k)
y(k)=H(k)x(k)+v(k)
其中x为状态向量,y为测量向量,F、G、H为参数矩阵,w为系统噪声,v为观测噪声。当第i个舵面或者作动器发生故障时,其模型可写为:
y(k+1)=H(k)x(k)+v(k)
类似的,当第i个传感器发生故障时,其模型可写为:
x(k+1)=F(k)x(k)+G(k)u(k)+Γ(k)w(k)
将上面所述的基本模型集写为:Mb={m0,m1,…,mn},在这些基本模型的基础上扩展得到的故障空间如图2所示。
S2:预测当前时刻的所述多个故障模型的概率,根据基本模型集以及当前时刻预测概率最大的前多个故障模型得到预设数目个期望模型,将得到的预设数目个期望模型组合,建立期望模型集。
在本发明实施例中,采用期望模型扩展来对多模型方法进行改进,期望模型根据基本模型集及其预测概率得到,用于表示系统未来可能发生的故障。
在本发明的一个实施例中,期望模型主要用来描述多个故障组合的情景,因此期望模型是单故障模型的组合,可根据当前时刻各个基本模型的预测概率,选取适当的最可能的单故障模型组合得到。
如图3所示,为当系统采用1个期望模型来描述最多2个故障同时发生的情景,其具体计算包括步骤:
S21:根据上一时刻各故障模型的概率,结合上一时刻模型集的概率转移矩阵,来预测当前时刻的多个故障模型的概率。
第j个模型的预测概率可写为:
其中πij为从第i个故障模型跳转到第j个故障模型的转移概率,μi(k-1)表示上一时刻第i个模型的概率。
在本发明的一个实施例中,基本模型集的概率转移矩阵的预设值设定进一步包括:根据实际系统故障模式间的关系,绘制基本模型集的状态转换图,得到基本模型集的状态转换关系,设定基本模型集的概率转移矩阵的预设值。
S22:选择基本模型集的子模型集序列,首先根据所需期望模型的个数来确定子模型集的个数。
S23:在基本模型集中,选取当前时刻预测概率最大的前多个模型来组成预设数目的模型集,并将得到的预设数目的模型集组合得到子模型集序列。
在本发明的一个实施例中,将模型集的预设数目设置为1,采用1个期望模型扩展,则子模型集个数也为1,可写为:
M(1)={mi,mj}
其中mi,mj为预测概率最大的前两个单故障基本模型。
当期望模型个数增加时,所需子模型集个数随之增加,可将这些模型集组合为一个模型集序列Mb (1),…,Mb (λ)。
S24:将每一个子模型集中的故障模型组合得到一个期望模型,从而构成期望模型集。
以子模型集M(1)={mi,mj}为例,由其构成的期望模型e1可写为:
y(k)=H(k)x(k)+v(k)
如果期望模型个数为λ,则期望模型集可写为:
Ek=E(Mb;Mb (1),…,Mb (λ))={e1,…,eλ}
S3:将基本模型集和期望模型集进行组合以建立当前时刻故障模型集,并根据当前时刻模型集更新概率转移矩阵。当前时刻故障模型集,可通过对基本模型集与期望模型集求并集得到。当前时刻故障模型序列可看成马尔科夫链,飞行控制系统故障模式之间的转变,用故障模型之间的跳变来加以描述。
当前时刻的模型集由基本模型集和期望模型集组成:
Mk=Mb∪Ek
S31:根据实际系统故障模式间的关系,绘制状态转换图,并初始化模型集的概率转移矩阵。
基本模型集的状态转换关系如图2所示,其概率转移矩阵可写为:
其中πij,i,j=1,2,...n表示从故障模式i跳转到故障模式j的概率。
S32:在每个时刻,由基本模型集和期望模型集组合得到当前时刻故障模型集后,根据当前时刻故障模型集更新概率转移矩阵。
假设当前故障模型集为在基本模型集基础上增加了一个期望模型,这个期望模型用于描述2个故障同时发生的情景,其状态转换关系如图3所示,则概率转移矩阵中部分保持不变,需要更新的各转移概率的计算过程如下:
π1,n=ξ1,πi,n+1=ξ1,πj,n+1=ξ1
π11=p11-π1,n+1,πii=pii-πi,n+1,πjj=pjj-πj,n+1
πn+1,1=ξ2,πn+1,i=ξ2,πn+1,j=ξ2,πn+1,n+1=1-3ξ2
其中ξ1,ξ2表示期望模型与相应的基本模型间的转换关系,可根据先验知识设定。
S4:分别对每个故障模型进行滤波得到状态估计和残差,并根据残差和残差协方差对各故障模型进行概率更新。
S41:根据上一时刻各个滤波器的状态和协方差输出,通过交互融合初始化当前时刻各个滤波器的状态和协方差,并预测各个故障模型的概率。
S42:根据卡尔曼滤波过程,分别对当前时刻各个故障模型进行状态更新和协方差更新,并计算残差和残差协方差;
滤波过程如下:
K(k+1)=P(k+1|k)HT(k+1)[H(k+1)P(k+1|k)HT(k+1)+Rw(k+1)]-1
P(k+1|k)=P(k+1)F(k)P(k|k)FT(k)+Rv(k+1)
P(k+1|k+1)=[I-K(k+1)H(k+1)]P(k+1|k)
S(k+1)=H(k+1)P(k+1|k)H(k+1)′+Rv(k+1)
其中x为滤波器状态向量,P为滤波器的协方差阵,K为增益矩阵,r和S为输出残差和残差协方差,T为滤波器采样周期,Rw(k+1)和Rv(k+1)分别为系统噪声协方差阵和测量噪声协方差阵。
S43:假设各个滤波器的残差服从高斯分布,根据贝叶斯(Bayes)后验概率准则计算各个故障模型的概率。
各个故障模型的概率更新如下:
其中μj(k)表示k时刻,第j个模型的概率,μj(k|k-1)表示k时刻,第j个模型的预测概率。
S5:对全部故障模型的概率设置一个概率阈值,并将当前时刻故障模型集中的每个故障模型的概率与该概率阈值进行比较,如果某个故障模型的概率大于或等于该概率阈值,则判断飞行控制系统发生了该故障模型对应的故障。判断出系统的当前故障模式后,通过卡尔曼滤波器估计故障的大小。
在本发明的一个实施例中,如图4所示,本发明故障诊断算法的运行原理如下:
当某个模型的概率最大且超过了一定的阈值,则认为系统发生了相应的故障:
故障的大小可作为一个状态添加在状态向量中,通过滤波器来估计出故障大小,以第i个舵面故障为例,扩展的状态方程及测量方程可写为:
根据本发明实施例的基于期望模式扩展的多模型飞行控制系统故障诊断方法,通过采用期望模式扩展,实现了变结构的多模型方法,即实现了模型集的在线自适应更新,通过期望模型来描述系统未来可能的故障模式,解决了模型集巨大的问题,可获得一种快速准确的故障诊断方法,能在线实时检测单个或者多个故障,为自修复控制和维护决策提供了基础和保障。
如图5所示,本发明第二方面实施例的基于期望模式扩展的多模型飞行控制系统故障诊断装置500,包括:
基本模型集建立模块510、期望模型集建立模块520、当前时刻模型集建立模块530、故障判断模块540、滤波和概率更新模块550。其中,基本模型集建立模块510用于统计飞行控制系统的多种故障并建立对应的多种单故障模型,并根据这些单故障模型建立基本模型集;期望模型集建立模块520用于预测当前时刻的多个故障模型的概率,根据所述基本模型集以及所述当前时刻预测概率最大的前多个个故障模型得到所述预设数目个期望模型,将所述多个期望模型组合,建立期望模型集;当前时刻模型集建立模块530用于组合所述基本模型集和所述期望模型集得到当前时刻模型集,并根据当前时刻模型集更新概率转移矩阵;故障判断模块540用于对故障模型的概率设置概率阈值,并将当前时刻模型集中的每个故障模型的概率与概率阈值进行比较,如果某个故障模型的概率大于或等于概率阈值,则故障判断模块540判断飞行控制系统发生了该故障模型对应的故障。滤波和概率更新模块550用于对当前时刻模型分别进行滤波得到状态估计和残差,并对所述当前时刻模型的概率进行更新。
在本发明的一个实施例中,基本模型集由飞行控制系统的各种单故障模型组成,包括操作舵面故障模型、作动器故障模型和传感器故障模型。
在本发明的一个实施例中,期望模型集建立模块520预测当前时刻的多个故障模型的概率进一步包括:期望模型集建立模块520根据上一时刻模型的概率以及上一时刻模型集的概率转移矩阵预测当前时刻的多个故障模型的概率。
第j个模型的预测概率可写为:
其中πij为从第i个故障模型跳转到第j个故障模型的转移概率,μi(k-1)表示上一时刻第i个模型的概率。
在本发明的一个实施例中,首次进行预测时期望模型集建立模块520将基本模型集的概率转移矩阵设置为预设值,其中预设值的设定进一步包括:根据实际系统故障模式间的关系,绘制基本模型集的状态转换图,得到基本模型集的状态转换关系,并设定基本模型集的概率转移矩阵的预设值。
基本模型集的状态转换关系如图2所示,其概率转移矩阵可写为:
其中πij,i,j=1,2,...n表示从故障模式i跳转到故障模式j的概率。
在本发明的一个实施例中,期望模型集建立模块520根据基本模型集以及当前时刻模型集的概率得到期望模型集进一步包括:
期望模型根据所需期望模型集的个数确定基本模型集的子模型集个数;
期望模型在基本模型集中选取当前时刻模型的概率最大的前多个模型组合得到预设数目个模型集,组合预设数目的模型集得到子模型集序列;
期望模型将子模型集序列中每一个子模型集的模型组合得到一个期望模型,由期望模型得到期望模型集。
在本发明的实施例中,将模型集的预设数目设置为1,采用1个期望模型扩展,则子模型集个数也为1,可写为:
M(1)={mi,mj}
其中mi,mj为预测概率最大的前两个单故障基本模型。
当期望模型个数增加时,所需子模型集个数随之增加,可将这些模型集组合为一个模型集序列Mb (1),…,Mb (λ)。
以子模型集M(1)={mi,mj}为例,由其构成的期望模型e1可写为:
y(k)=H(k)x(k)+v(k)
如果期望模型个数为λ,则期望模型集可写为:
Ek=E(Mb;Mb (1),…,Mb (λ))={e1,…,eλ}
在每个时刻,组合基本模型集和期望模型集得到当前时刻故障模型集后,当前时刻模型集建立模块530根据当前时刻故障模型集对概率转移矩阵进行更新。
在本发明的一个实施例中,滤波和概率更新模块550对当前时刻模型分别进行滤波得到状态估计和残差,并对当前时刻模型的概率进行更新,包括:
(1)根据上一时刻模型的滤波器的状态估计和协方差输出值,初始化当前时刻各个故障模型对应的滤波器的状态估计和协方差,并预测当前时刻各个故障模型的概率;
(2)根据卡尔曼滤波过程,分别对当前时刻各个故障模型更新状态估计和协方差,并计算残差和残差协方差;
滤波过程如下:
K(k+1)=P(k+1|k)HT(k+1)[H(k+1)P(k+1|k)HT(k+1)+Rw(k+1)]-1
P(k+1|k)=P(k+1)F(k)P(k|k)FT(k)+Rv(k+1)
P(k+1|k+1)=[I-K(k+1)H(k+1)]P(k+1|k)
S(k+1)=H(k+1)P(k+1|k)H(k+1)+Rv(k+1)
其中x为滤波器状态向量,P为滤波器的协方差阵,K为增益矩阵,r和S为输出残差和残差协方差,T为滤波器采样周期,Rw(k+1)和Rv(k+1)分别为系统噪声协方差阵和测量噪声协方差阵。
(3)滤波和概率更新模块550根据贝叶斯后验概率准则计算当前时刻各个故障模型的概率。
各个故障模型的概率更新如下:
其中μj(k)表示k时刻,第j个模型的概率,μj(k|k-1)表示k时刻,第j个模型的预测概率。
根据本发明实施例的基于期望模式扩展的多模型飞行控制系统故障诊断装置,通过采用期望模式扩展,实现了变结构的多模型方法,即实现了模型集的在线自适应更新,通过期望模型来描述系统未来可能的故障模式,解决了模型集巨大的问题,可获得一种快速准确的故障诊断方法,能在线实时检测单个或者多个故障,为自修复控制和维护决策提供了基础和保障。
如图6所示,本发明第三方面实施例的飞行控制系统600,包括:
自动驾驶仪模块610、基本飞行控制模块620、故障检测与诊断模块630、重构控制模块640、座舱650。
其中,自动驾驶仪模块610用于根据飞机的飞行导引指令,输出自动驾驶指令,控制飞机进行自动飞行;基本飞行控制模块620用于根据自动驾驶仪610的输出指令或者座舱650的驾驶员操纵指令,通过基本PID控制器分别按照各个指令对飞机进行控制,输出各个舵面的偏转指令;故障检测与诊断模块630,采用如本发明第二方面实施例所述的基于期望模式扩展的多模型飞行控制系统故障诊断装置,用于检测和诊断飞行控制系统的故障,输出故障信息;重构控制模块640,用于根据故障诊断模块的输出信息,重构飞行控制律;座舱650,为半实物装置,用于供飞行员输入驾驶杆信息,手动控制飞机飞行。
在本发明的一个实施例中,飞行控制系统还进一步包括:视景模块660,用于显示飞机飞行状态以及故障信息、故障诊断结果;接口模块670,用于与外部进行通讯。
在本发明的实施例中,与外部进行通讯,包括与综合导航系统、驾驶舱和视景系统进行数据的通讯,需要注意的是,本实施例所示例的通讯仅用于解释本发明,而不能解释为对本发明的限制。
根据本发明实施例的飞行控制系统,能够对飞机所发生的故障做出快速、有效、准确的故障诊断,能在线实时检测单个或者多个故障,为飞机发生故障时的自修复控制和维护决策提供了基础和保障,有效地提高了排除故障效率、缩短维修时间、减少维修成本、提高飞机的安全性。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同限定。
Claims (18)
1.一种基于期望模式扩展的多模型飞行控制系统故障诊断方法,其特征在于,包括:
统计飞行控制系统的各种故障并建立对应的多个单故障模型,根据所述多个单故障模型建立基本模型集;
预测当前时刻的所述多个故障模型的概率,根据所述基本模型集以及所述当前时刻预测概率最大的前多个故障模型得到所述预设数目个期望模型,将所述预设数目个期望模型组合,建立期望模型集;
组合所述基本模型集和所述期望模型集得到当前时刻模型集,并根据当前时刻模型集更新概率转移矩阵;
对当前时刻模型集中的每个故障模型进行滤波和概率更新;以及
对所述故障模型的概率设置概率阈值,并将所述当前时刻模型集中的每个所述故障模型的概率与所述概率阈值进行比较,如果所述故障模型的概率大于或等于所述概率阈值,则判断所述飞行控制系统发生所述故障模型对应的故障。
2.如权利要求1所述的基于期望模式扩展的多模型飞行控制系统故障诊断方法,其特征在于,所述基本模型集由飞行控制系统的各种单故障模型组成,包括操作舵面故障模型、作动器故障模型和传感器故障模型。
3.如权利要求1所述的基于期望模式扩展的多模型飞行控制系统故障诊断方法,其特征在于,所述预测当前时刻的所述多个故障模型的概率进一步包括:根据上一时刻模型的概率以及上一时刻模型集的概率转移矩阵预测当前时刻的所述多个故障模型的概率。
4.如权利要求1所述的基于期望模式扩展的多模型飞行控制系统故障诊断方法,其特征在于,所述根据当前时刻模型集更新概率转移矩阵进一步包括:
根据实际系统故障模式间的关系,绘制所述基本模型集的状态转换图,得到所述基本模型集的状态转换关系,设定所述基本模型集的概率转移矩阵的预设值;
绘制当前时刻模型集的状态转换关系,并在基本模型集的概率转移矩阵基础上计算得到当前时刻模型集的概率转移矩阵。
5.如权利要求1所述的基于期望模式扩展的多模型飞行控制系统故障诊断方法,其特征在于,所述根据所述基本模型集以及所述当前时刻预测概率最大的前多个基本故障模型得到所述预设数目个期望模型,将所述预设数目个期望模型组合,建立期望模型集进一步包括:
根据所需所述期望模型的个数确定所述基本模型集的子模型集个数;
在所述基本模型集中选取所述当前时刻模型的概率最大的前多个模型组合得到预设数目的模型集,组合所述模型集得到预设数目的子模型集序列;
将所述子模型集序列中每一个子模型集的模型组合得到一个期望模型,由所述期望模型得到所述期望模型集。
6.如权利要求1所述的基于期望模式扩展的多模型飞行控制系统故障诊断方法,其特征在于,所述对当前时刻模型集中的每个故障模型进行滤波和概率更新进一步包括:
在每个时刻由所述基本模型集和所述期望模型组合得到所述当前时刻模型集后,对所述当前时刻故障模型集中的每个故障模型分别进行滤波得到状态估计和残差,并对所述故障模型的概率进行更新。
7.如权利要求1所述的基于期望模式扩展的多模型飞行控制系统故障诊断方法,其特征在于,对所述当前时刻故障模型集中的每个故障模型分别进行滤波得到状态估计和残差,并对所述故障模型的概率进行更新,进一步包括:
根据上一时刻模型的滤波器的所述状态估计和协方差输出值,初始化所述当前时刻模型对应的滤波器的所述状态估计和所述协方差,并预测所述当前时刻模型的概率;
根据卡尔曼滤波过程,分别对所述当前时刻模型更新所述状态估计和所述协方差,并计算所述残差和残差协方差;
根据贝叶斯后验概率准则计算所述当前时刻模型的概率。
8.一种基于期望模式扩展的多模型飞行控制系统故障诊断装置,其特征在于,包括:
基本模型集建立模块,所述基本模型集建立模块用于统计飞行控制系统的各种故障并建立对应的多个单故障模型,并根据所述多个单故障模型建立基本模型集;
期望模型集建立模块,所述期望模型集建立模块用于预测当前时刻的所述多个故障模型的概率,根据所述基本模型集以及所述当前时刻预测概率最大的前多个故障模型得到所述预设数目个期望模型,将所述预设数目个期望模型组合,建立期望模型集;
当前时刻模型集建立模块,所述当前时刻模型集建立模块用于组合所述基本模型集和所述期望模型集得到当前时刻模型集,并根据当前时刻模型集更新概率转移矩阵;
滤波和概率更新模块,所述滤波和概率更新模块对所述当前时刻模型分别进行滤波得到状态估计和残差,并对所述当前时刻模型的概率进行更新;
故障判断模块,所述故障判断模块对所述故障模型的概率设置概率阈值,并将所述当前时刻模型集中的每个所述故障模型的概率与概率阈值进行比较,如果所述故障模型的概率大于或等于所述概率阈值,则所述故障判断模块判断所述飞行控制系统发生所述故障模型 对应的故障。
9.如权利要求8所述的基于期望模式扩展的多模型飞行控制系统故障诊断装置,其特征在于,所述基本模型集由飞行控制系统的各种单故障模型组成,包括操作舵面故障模型、作动器故障模型和传感器故障模型。
10.如权利要求8所述的基于期望模式扩展的多模型飞行控制系统故障诊断装置,其特征在于,所述预测当前时刻的所述多个故障模型的概率进一步包括:根据上一时刻模型的概率以及上一时刻模型集的概率转移矩阵预测当前时刻的所述多个故障模型的概率。
11.如权利要求10所述的基于期望模式扩展的多模型飞行控制系统故障诊断装置,其特征在于,首次预测时所述当前时刻模型集建立模块将所述基本模型集的概率转移矩阵设置为预设值,其中所述预设值的设定进一步包括:
根据实际系统故障模式间的关系,绘制所述基本模型集的状态转换图,得到所述基本模型集的状态转换关系,并设定所述基本模型集的概率转移矩阵的预设值。
12.如权利要求8所述的基于期望模式扩展的多模型飞行控制系统故障诊断装置,其特征在于,所述根据所述基本模型集以及所述当前时刻预测概率最大的前多个故障模型得到所述预设数目个期望模型,将所述预设数目个期望模型组合,建立期望模型集,还进一步包括:
所述期望模型建立模块根据所需所述期望模型集的个数确定所述基本模型集的子模型集个数;
所述期望模型建立模块在所述基本模型集中选取所述当前时刻模型的概率最大的前多个模型,组合所述模型得到预设数目的子模型集序列;
所述期望模型建立模块将所述子模型集序列中每一个子模型集的模型组合得到一个期望模型,由所述期望模型得到所述期望模型集。
13.如权利要求8所述的基于期望模式扩展的多模型飞行控制系统故障诊断装置,其特征在于,所述当前时刻模型集建立模块将所述基本模型集和所述期望模型集组合得到当前时刻模型集,并根据当前时刻模型集更新概率转移矩阵进一步包括:
绘制当前时刻模型集的状态转换关系,并在基本模型集的概率转移矩阵基础上计算得到当前时刻模型集的概率转移矩阵。
14.如权利要求8所述的基于期望模式扩展的多模型飞行控制系统故障诊断装置,其特征在于,所述滤波和概率更新模块对所述当前时刻模型分别进行滤波得到状态估计和残差,并对所述当前时刻模型的概率进行更新进一步包括:
根据上一时刻模型的滤波器的所述状态估计和协方差输出值,初始化所述当前时刻模型 对应的滤波器的所述状态估计和所述协方差,并预测所述当前时刻模型的概率;
根据卡尔曼滤波过程,分别对所述当前时刻模型更新所述状态估计和所述协方差,并计算所述残差和残差协方差;
根据贝叶斯后验概率准则计算所述当前时刻各个所述故障模型的概率。
15.一种飞行控制系统,其特征在于,包括:
自动驾驶仪模块,所述自动驾驶仪模块用于根据飞机的飞行导引指令,输出自动驾驶指令,控制飞机进行自动飞行;
基本飞行控制模块,所述基本飞行控制模块用于根据所述自动驾驶指令,通过基本的PID控制器分别按照各个指令对飞机进行控制;
如权利要求8-14任一项所述的故障检测与诊断模块,所述故障检测与诊断模块用于检测和诊断飞行控制系统的故障,输出故障信息和故障诊断结果;
重构控制模块,所述重构控制模块用于根据所述故障信息重构飞行控制律;以及
座舱,所述座舱为半实物装置,用于输入驾驶杆信息,手动控制飞机飞行。
16.如权利要求15所述的飞行控制系统,其特征在于,还包括视景模块,所述视景模块用于显示飞机飞行状态、所述故障信息以及所述故障诊断结果。
17.如权利要求15所述的飞行控制系统,其特征在于,还包括接口模块,所述接口模块用于与外部进行通讯。
18.如权利要求17所述的飞行控制系统,其特征在于,所述与外部进行通讯包括与综合导航系统、驾驶舱和视景系统进行数据通讯。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210168097.8A CN102707708B (zh) | 2012-05-25 | 2012-05-25 | 多模型飞行控制系统故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210168097.8A CN102707708B (zh) | 2012-05-25 | 2012-05-25 | 多模型飞行控制系统故障诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102707708A true CN102707708A (zh) | 2012-10-03 |
CN102707708B CN102707708B (zh) | 2014-04-09 |
Family
ID=46900599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210168097.8A Expired - Fee Related CN102707708B (zh) | 2012-05-25 | 2012-05-25 | 多模型飞行控制系统故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102707708B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103023719A (zh) * | 2012-12-04 | 2013-04-03 | 宁夏隆基宁光仪表有限公司 | 一种基于贝叶斯网络的专变采集终端故障诊断方法 |
CN103324202A (zh) * | 2013-07-12 | 2013-09-25 | 无锡华航电子科技有限责任公司 | 基于舵面故障的容错飞行控制系统和方法 |
CN104049638A (zh) * | 2014-06-19 | 2014-09-17 | 金陵科技学院 | 执行器动态的飞行器姿态分散式容错控制系统 |
CN104236548A (zh) * | 2014-09-12 | 2014-12-24 | 清华大学 | 一种微型无人机室内自主导航方法 |
CN104267716A (zh) * | 2014-09-15 | 2015-01-07 | 南京航空航天大学 | 一种基于多智能体技术的分布式飞行控制系统故障诊断设计方法 |
CN104730949A (zh) * | 2013-12-20 | 2015-06-24 | 福特全球技术公司 | 自主车辆中的情感型用户界面 |
CN104914851A (zh) * | 2015-05-21 | 2015-09-16 | 北京航空航天大学 | 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法 |
CN106200621A (zh) * | 2016-08-17 | 2016-12-07 | 中国航空工业集团公司西安飞行自动控制研究所 | 一种飞控系统正常工作判据的获取方法 |
CN107065817A (zh) * | 2016-11-30 | 2017-08-18 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于参数监控的自动驾驶仪故障检测方法 |
CN107426033A (zh) * | 2017-08-15 | 2017-12-01 | 深圳市盛路物联通讯技术有限公司 | 一种对物联网接入终端进行状态预测的方法和装置 |
CN108388229A (zh) * | 2018-02-11 | 2018-08-10 | 北京工商大学 | 基于健康度的四旋翼随机混杂系统健康评估方法 |
CN108919776A (zh) * | 2018-06-19 | 2018-11-30 | 深圳市元征科技股份有限公司 | 一种故障评估方法及终端 |
CN109343507A (zh) * | 2018-10-16 | 2019-02-15 | 北京理工大学 | 一种故障检测与隔离系统及方法 |
CN110709789A (zh) * | 2017-04-10 | 2020-01-17 | Abb瑞士股份有限公司 | 用于监测可再生发电装置或微电网内的子系统的状况的方法和设备 |
CN111063056A (zh) * | 2019-11-21 | 2020-04-24 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 航空事故分析方法、装置、计算机设备和存储介质 |
CN111523197A (zh) * | 2018-12-26 | 2020-08-11 | 通用电气公司 | 用于预测部件上的故障的模型 |
CN114035543A (zh) * | 2021-11-05 | 2022-02-11 | 中国空气动力研究与发展中心空天技术研究所 | 一种飞机受损状态下的自修复控制方法 |
CN115437259A (zh) * | 2022-11-07 | 2022-12-06 | 西北工业大学 | 一种面向舵面故障的飞机姿态容错控制系统及控制方法 |
CN116148600A (zh) * | 2023-04-20 | 2023-05-23 | 清华大学 | 航空发动机加力线路故障定位模型校正方法、装置和设备 |
CN110709789B (zh) * | 2017-04-10 | 2024-05-31 | Abb瑞士股份有限公司 | 用于监测可再生发电装置或微电网内的子系统的状况的方法和设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101697079A (zh) * | 2009-09-27 | 2010-04-21 | 华中科技大学 | 用于航天器实时信号处理的盲系统故障检测与隔离方法 |
US20100100259A1 (en) * | 2008-10-22 | 2010-04-22 | Denis Geiter | Fault diagnosis device and method for optimizing maintenance measures in technical systems |
CN101859143A (zh) * | 2010-04-27 | 2010-10-13 | 南京航空航天大学 | 偏置动量卫星故障模拟仿真方法及平台 |
US20110118905A1 (en) * | 2009-11-16 | 2011-05-19 | Honeywell International Inc. | Methods systems and apparatus for analyzing complex systems via prognostic reasoning |
CN102200776A (zh) * | 2010-03-25 | 2011-09-28 | 南京航空航天大学 | 飞行控制系统执行器的故障诊断方法 |
CN102208028A (zh) * | 2011-05-31 | 2011-10-05 | 北京航空航天大学 | 一种适用于动态复杂系统的故障预测和诊断方法 |
-
2012
- 2012-05-25 CN CN201210168097.8A patent/CN102707708B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100100259A1 (en) * | 2008-10-22 | 2010-04-22 | Denis Geiter | Fault diagnosis device and method for optimizing maintenance measures in technical systems |
CN101697079A (zh) * | 2009-09-27 | 2010-04-21 | 华中科技大学 | 用于航天器实时信号处理的盲系统故障检测与隔离方法 |
US20110118905A1 (en) * | 2009-11-16 | 2011-05-19 | Honeywell International Inc. | Methods systems and apparatus for analyzing complex systems via prognostic reasoning |
CN102200776A (zh) * | 2010-03-25 | 2011-09-28 | 南京航空航天大学 | 飞行控制系统执行器的故障诊断方法 |
CN101859143A (zh) * | 2010-04-27 | 2010-10-13 | 南京航空航天大学 | 偏置动量卫星故障模拟仿真方法及平台 |
CN102208028A (zh) * | 2011-05-31 | 2011-10-05 | 北京航空航天大学 | 一种适用于动态复杂系统的故障预测和诊断方法 |
Non-Patent Citations (2)
Title |
---|
柳志娟等: "基于强跟踪多模型估计器的作动器故障诊断", 《清华大学学报(自然科学版)》 * |
高关根等: "改进的残差检验法在组合导航系统故障检测中的应用", 《系统仿真学报》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103023719A (zh) * | 2012-12-04 | 2013-04-03 | 宁夏隆基宁光仪表有限公司 | 一种基于贝叶斯网络的专变采集终端故障诊断方法 |
CN103324202A (zh) * | 2013-07-12 | 2013-09-25 | 无锡华航电子科技有限责任公司 | 基于舵面故障的容错飞行控制系统和方法 |
CN104730949B (zh) * | 2013-12-20 | 2020-01-14 | 福特全球技术公司 | 自主车辆中的情感型用户界面 |
CN104730949A (zh) * | 2013-12-20 | 2015-06-24 | 福特全球技术公司 | 自主车辆中的情感型用户界面 |
CN104049638A (zh) * | 2014-06-19 | 2014-09-17 | 金陵科技学院 | 执行器动态的飞行器姿态分散式容错控制系统 |
CN104236548B (zh) * | 2014-09-12 | 2017-04-05 | 清华大学 | 一种微型无人机室内自主导航方法 |
CN104236548A (zh) * | 2014-09-12 | 2014-12-24 | 清华大学 | 一种微型无人机室内自主导航方法 |
CN104267716B (zh) * | 2014-09-15 | 2017-03-01 | 南京航空航天大学 | 一种基于多智能体技术的分布式飞行控制系统故障诊断设计方法 |
CN104267716A (zh) * | 2014-09-15 | 2015-01-07 | 南京航空航天大学 | 一种基于多智能体技术的分布式飞行控制系统故障诊断设计方法 |
CN104914851B (zh) * | 2015-05-21 | 2017-05-24 | 北京航空航天大学 | 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法 |
CN104914851A (zh) * | 2015-05-21 | 2015-09-16 | 北京航空航天大学 | 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法 |
CN106200621A (zh) * | 2016-08-17 | 2016-12-07 | 中国航空工业集团公司西安飞行自动控制研究所 | 一种飞控系统正常工作判据的获取方法 |
CN107065817A (zh) * | 2016-11-30 | 2017-08-18 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于参数监控的自动驾驶仪故障检测方法 |
CN110709789A (zh) * | 2017-04-10 | 2020-01-17 | Abb瑞士股份有限公司 | 用于监测可再生发电装置或微电网内的子系统的状况的方法和设备 |
CN110709789B (zh) * | 2017-04-10 | 2024-05-31 | Abb瑞士股份有限公司 | 用于监测可再生发电装置或微电网内的子系统的状况的方法和设备 |
CN107426033A (zh) * | 2017-08-15 | 2017-12-01 | 深圳市盛路物联通讯技术有限公司 | 一种对物联网接入终端进行状态预测的方法和装置 |
CN108388229A (zh) * | 2018-02-11 | 2018-08-10 | 北京工商大学 | 基于健康度的四旋翼随机混杂系统健康评估方法 |
CN108919776A (zh) * | 2018-06-19 | 2018-11-30 | 深圳市元征科技股份有限公司 | 一种故障评估方法及终端 |
CN108919776B (zh) * | 2018-06-19 | 2021-04-09 | 深圳市元征科技股份有限公司 | 一种故障评估方法及终端 |
WO2020078141A1 (zh) * | 2018-10-16 | 2020-04-23 | 北京理工大学 | 一种故障检测与隔离系统及方法 |
CN109343507A (zh) * | 2018-10-16 | 2019-02-15 | 北京理工大学 | 一种故障检测与隔离系统及方法 |
CN111523197A (zh) * | 2018-12-26 | 2020-08-11 | 通用电气公司 | 用于预测部件上的故障的模型 |
CN111523197B (zh) * | 2018-12-26 | 2023-09-29 | 通用电气公司 | 用于预测部件上的故障的模型 |
CN111063056A (zh) * | 2019-11-21 | 2020-04-24 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 航空事故分析方法、装置、计算机设备和存储介质 |
CN114035543A (zh) * | 2021-11-05 | 2022-02-11 | 中国空气动力研究与发展中心空天技术研究所 | 一种飞机受损状态下的自修复控制方法 |
CN114035543B (zh) * | 2021-11-05 | 2023-12-12 | 中国空气动力研究与发展中心空天技术研究所 | 一种飞机受损状态下的自修复控制方法 |
CN115437259A (zh) * | 2022-11-07 | 2022-12-06 | 西北工业大学 | 一种面向舵面故障的飞机姿态容错控制系统及控制方法 |
CN116148600A (zh) * | 2023-04-20 | 2023-05-23 | 清华大学 | 航空发动机加力线路故障定位模型校正方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN102707708B (zh) | 2014-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102707708B (zh) | 多模型飞行控制系统故障诊断方法及装置 | |
CN108594788B (zh) | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 | |
CN104102773B (zh) | 一种设备故障预警及状态监测方法 | |
Byington et al. | Data-driven neural network methodology to remaining life predictions for aircraft actuator components | |
US7395188B1 (en) | System and method for equipment life estimation | |
US10431019B2 (en) | Health monitoring of an actuator in a flying device | |
CN106164793B (zh) | 用于诊断飞行器的空气调节组件中的故障的方法 | |
US11922738B2 (en) | Fusion of aviation-related data for comprehensive aircraft system health monitoring | |
CN109934130A (zh) | 基于深度学习的卫星故障在轨实时故障诊断方法及系统 | |
WO2006016440A1 (ja) | データ処理方法及びデータ処理装置、並びに診断方法及び診断装置 | |
Morando et al. | Fuel cells remaining useful lifetime forecasting using echo state network | |
US20160340059A1 (en) | Method for predicting an operational malfunction in the equipment of an aircraft or aircraft fleet | |
CN105512483A (zh) | 基于损伤传播模型和数据分析的航空发动机剩余寿命预测 | |
CN104698976A (zh) | 一种预测控制模型性能下降的深度诊断方法 | |
Xiong et al. | Anomaly detection of spacecraft based on least squares support vector machine | |
CN111829425B (zh) | 民机前缘位置传感器的健康监测方法及系统 | |
Ribot et al. | Diagnosis and prognosis for the maintenance of complex systems | |
CN109033569B (zh) | 一种用于舰载机传感器系统预防检修阈强度和次数优化的方法 | |
Delmas et al. | Remaining useful life estimation methods for predictive maintenance models: defining intervals and strategies for incomplete data | |
Le et al. | Prognosis based on Multi-branch Hidden semi-Markov Models: A case study | |
CN114299338A (zh) | 用于系统管理的故障预测与健康管理系统与相关方法 | |
Zheng et al. | A finite state machine based diagnostic expert system of large-scale autonomous unmanned submarine | |
Brighenti et al. | AI-based On-board Reconfigurable FDIR and Lifetime Prediction for Constellations | |
Liu et al. | The Research on Status Management of Environmental Testing Equipment Based on PHM Technology | |
US20240086595A1 (en) | Systems, Methods, and Apparatus For Synchronizing Digital Twins |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140409 |